Keras中设置learning_phase后Dropout未生效，结果无变化的技术问询

我看了你这段Keras代码，确实有点反直觉——明明加了Dropout，结果却完全一致。咱们来拆解一下问题出在哪：

核心原因：固定了Dropout的随机种子 #

你给两个Dropout层都设置了seed=0，这是关键问题。在TensorFlow后端的Keras中，Dropout层的seed参数会固定随机数生成器的初始状态。这意味着每次运行模型时，Dropout选择丢弃哪些神经元的逻辑是完全一样的，自然输出结果就不会有变化。

再聊聊K.set_learning_phase的影响 #

你代码里的逻辑其实是对的：

• 当K.set_learning_phase(0)时，Dropout会进入测试模式——它会关闭丢弃行为，同时自动对激活值做缩放补偿（弥补训练时的丢弃比例），所以这时候两次输出一致是正常的。
• 但当你切换到K.set_learning_phase(1)（训练模式）时，本该触发随机丢弃，但因为你固定了seed，随机数生成器每次都从同一个起点生成序列，所以丢弃的神经元完全相同，结果也就没变化。

怎么解决这个问题？ #

有两种思路，看你的需求：

• 想要真正的随机Dropout：直接去掉Dropout层的seed参数，让系统每次自动生成不同的随机序列，这样训练模式下每次运行结果就会有差异了。
• 需要复现实验结果，但仍要训练时的随机Dropout：不要在单个Dropout层设置seed，而是在代码开头全局设置TensorFlow的随机种子：

  import tensorflow as tf
  tf.random.set_seed(0)  # 旧版本TensorFlow用tf.set_random_seed(0)
  

  这样全局种子会控制整个图的随机生成逻辑，但每次运行时Dropout的随机数还是会按序列推进，不会每次都重复相同的丢弃模式。

另外补充一点：你代码里只调用了一次sess.run(tf.global_variables_initializer())是正确的——如果每次运行都重新初始化，那即使没固定seed，结果也可能重复，但你这里的问题核心还是seed的设置。

内容的提问来源于stack exchange，提问作者user3425082